CN113077873A - 一种中医临床决策支持系统及方法 - Google Patents

一种中医临床决策支持系统及方法 Download PDF

Info

Publication number
CN113077873A
CN113077873A CN202110488744.2A CN202110488744A CN113077873A CN 113077873 A CN113077873 A CN 113077873A CN 202110488744 A CN202110488744 A CN 202110488744A CN 113077873 A CN113077873 A CN 113077873A
Authority
CN
China
Prior art keywords
medical
weight
entity
evidence
patient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110488744.2A
Other languages
English (en)
Other versions
CN113077873B (zh
Inventor
夏彬彬
丁彦
尹小龙
代玉兴
骆歆远
李海铭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jingyi Medical Information Technology Hangzhou Co ltd
Original Assignee
Jingyi Medical Information Technology Hangzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jingyi Medical Information Technology Hangzhou Co ltd filed Critical Jingyi Medical Information Technology Hangzhou Co ltd
Priority to CN202110488744.2A priority Critical patent/CN113077873B/zh
Publication of CN113077873A publication Critical patent/CN113077873A/zh
Application granted granted Critical
Publication of CN113077873B publication Critical patent/CN113077873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Toxicology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种中医临床决策支持系统，包括步骤：选择医学证据，抽取医学实体及医学实体关系；根据抽取的医学实体及医学实体关系来构建数据集；通过图谱构建和更新模块来构建医学知识图谱；通过患者管理模块添加患者，录入患者的个人基本信息；医生通过门诊管理模块，查看门诊信息并进行门诊，根据患者描述录入症状汇总信息。本发明的有益效果是：为医生，特别是医学经验不足的基层医生，根据患者的主诉、现病史和各项检查结果等症状汇总信息；解决医生问诊和临床经验不足的问题，辅助医生快捷有效地诊断疾病和拟定合适的治疗方案；持续提高医学知识图谱的循证推理能力。

Description

一种中医临床决策支持系统及方法
技术领域
本发明属于中医辅助诊疗领域，尤其涉及一种中医临床决策支持系统及方法。
背景技术
随着现代生活水平的不断提高，生活节奏的加快，人们的工作生活压力也在不断增加，越来越多的人处于亚健康状态，并且导致各种老龄化疾病的大量出现。伴随着人们对中医的认识水平的提高，越来越多的人倾向采用中医治疗和调理身体。中医，也称汉医，是长期医疗实践逐步形成并发展成的医学理论体系，通过“望闻问切”四诊合参的方法分析人体内五脏六腑、经络关节、气血津液的变化，使用中药、针灸、推拿、按摩、拔罐、气功、食疗等多种治疗手段，使人体达到阴阳调和而康复。
然而采用中医进行疾病的诊断和治疗要求医生具备一定的医学水平和临床经验，但部分医生，特别是经验不足的基层医生，缺乏长时间的临床指导和经验，与名老中医在医学水平和临床经验上存在着不小的差异。因此，如何为广大医生实现一种智能化的临床决策支持系统成为迫切需要解决的问题。
发明内容
本发明的目的是克服现有技术中的不足，提供一种中医临床决策支持系统及方法。
这种中医临床决策支持系统，包括：图谱构建和更新模块、患者管理模块、门诊管理模块和疗效反馈模块；患者管理模块向门诊管理模块提供患者的门诊记录，门诊管理模块向疗效反馈模块提供门诊信息，疗效反馈模块向图谱构建和更新模块提供疗效反馈，图谱构建和更新模块向门诊管理模块提供其构建的医学知识图谱；图谱构建和更新模块用于深度学习分类模型学习权重、构建和更新医学知识图谱；患者管理模块用于查看管理患者的个人基本信息和门诊记录；门诊管理模块用于医生查看门诊信息并进行门诊；疗效反馈模块用于反馈患者服用医生所开处方一段时间后的效果。
这种中医临床决策支持系统的工作方法，包括以下步骤：
S1、选择医学证据，抽取医学实体及医学实体关系；
S2、根据步骤S1抽取的医学实体及医学实体关系来构建数据集，基于预训练语言模型BERT和注意力机制构建深度学习分类模型，通过图谱构建和更新模块来训练深度学习分类模型中医学实体间的权重；
S21、通过预训练语言模型BERT获得每条医学证据中每个实体的隐藏层输出，用hi表示第i个实体的隐藏层输出，获得隐藏层输出hi的隐藏信息ui：
ui＝tanh(Wwhi+bw)
上式中，Ww为权重矩阵，bw为对应的偏置项；hi为第i个实体的隐藏层输出，ui为隐藏层输出的隐藏信息；
S22、获得医学证据中每个实体的权重αi：
Figure BDA0003051491810000021
上式中，αi为医学证据中每个实体的权重，ui为隐藏层输出的隐藏信息，uw为随机初始化的词语级上下文向量，n表示医学证据的实体数量；
S23、通过加权求和获得每条医学证据的向量表示，第i条医学证据的向量表示为：
Figure BDA0003051491810000022
上式中，vi为第i条医学证据的向量表示，n为医学证据的实体数量，αi为医学证据中每个实体的权重，hi为第i个实体的隐藏层输出；
S24、将每条医学证据的向量表示vi作为分类特征，基于SoftMax分类器训练深度学习分类模型，使用交叉熵分类损失函数来更新参数：
Figure BDA0003051491810000023
上式中，n表示病种的关系类别数量，yi表示第i个类别的真实概率分布，
Figure BDA0003051491810000024
表示第i个类别的预测概率分布；
S3、通过图谱构建和更新模块来构建医学知识图谱：将医学实体、医学实体关系、医学实体间的权重分别作为医学知识图谱的节点、关系、关系属性，将医学知识图谱的节点、关系和关系属性存储至图数据库中；
S4、通过患者管理模块添加患者，录入患者的个人基本信息；
S5、医生通过门诊管理模块，查看门诊信息并进行门诊，根据患者描述录入症状汇总信息；症状汇总信息包括主诉、现病史、体格检查、疾病诊断、脉象、临床检查、实验室检查、影像检查、其他检查等；通过患者管理模块记录和查看患者的门诊记录；
S6、医学知识图谱循证推理，并给出推荐的中医临床决策；
S61、将证候ei与所有关联的症状汇总信息的权重求和：
Figure BDA0003051491810000031
上式中，n表示症状汇总信息的数量，ei表示第i个证候，sj表示第j个症状信息，P(ei|sj)表示sj与ei之间的权重；
S62、对处方fk与所有关联证候的权重求和：
Figure BDA0003051491810000032
上式中，m为证候的数量，fk表示第k个处方，ei表示第i个证候，P(fk|ei)表示ei与fk之间的权重；
S63、将证候ei与所有关联的症状汇总信息的权重、处方fk与所有关联证候的权重相加，得到实体路径(s→e→f)的权重总和，对所有的权重总和排序，得到若干个中医临床决策；
S7、医生确定诊疗决策，当前门诊结束；所述诊疗决策为医生根据患者实际情况采用或调整推荐的中医临床决策，或采用自拟处方；
S8、通过疗效反馈模块收集疗效反馈，反馈患者服用医生所开处方一段时间后的效果；更新知识图谱；收集患者服用处方一段时间后的治疗效果的反馈信息，反馈信息包括症状汇总信息、治疗时间和治疗效果；根据疗效反馈更新医学证据，在更新后的医学实体及医学实体关系数据集上重新训练深度学习分类模型，学习医学证据中医学实体间的权重，更新医学知识图谱的节点、医学知识图谱的节点关系、医学知识图谱的权重；
S81、根据病种是否已支持分为新增病种和已有病种，将新增病种的关系类别作为深度学习分类模型的新增分类标签；
S82、当某个新增病种的正向反馈超过设定阈值时，将该病种数据及其新增分类标签添加到医学实体及医学实体关系数据集中；
S83、根据正负样本数量占比来调整深度学习分类模型的样本权重参数sample_weight，以此缓解样本质量不同对权重学习的影响；根据样本病种的关系类别数量占比来调整深度学习分类模型的类型权重参数class_weight，以此缓解数据不平衡对权重学习的影响；
S84、基于样本权重参数sample_weight和类型权重参数class_weight来更新交叉熵分类损失函数：
J(θ)＝-(sample_weight*class_weight)L(θ)
上式中L(θ)为交叉熵分类损失函数，
Figure BDA0003051491810000041
yi表示第i个类别的真实概率分布，
Figure BDA0003051491810000042
表示第i个类别的预测概率分布；其中n、m分别表示已有病种的关系类别数量和新增病种的关系类别数量。
作为优选，步骤S1具体包括如下步骤：
S11、由医学专家从相关文件(权威文件、教科书、医学指南、名家著作和公开文献)中选择权威可靠的医学证据；
S12、抽取医学实体及医学实体关系，并对医学实体进行概念和术语标准化。
作为优选，步骤S4中患者的个人基本信息包括必填项和选填项；必填项包括姓名、手机号、性别、生日，选填项包括邮箱、生辰、身高、体重、过敏史、身份证、社保卡、地区、地址、出生地、单位、职业等。
作为优选，步骤S6中中医临床决策包括：病因病机、治法治则、证型、处方；其中处方包括中药及其用法用量、剂数、给药频次、代加工、规格、药量、煎服法和事项。
本发明的有益效果是：本发明根据权威可靠的医学证据抽取症状汇总信息、证型和处方等实体及其关系，利用深度学习分类模型学习实体间的权重，基于实体、关系及其权重数据构建医学知识图谱；医学知识图谱是以图论为理论基础，基于节点和关系所组成的图结构存储在图数据库中；结合名老中医的临床经验，为医生，特别是医学经验不足的基层医生，根据患者的主诉、现病史和各项检查结果等症状汇总信息，基于医学知识图谱准确地辩证分型和推荐处方；解决医生问诊和临床经验不足的问题，辅助医生快捷有效地诊断疾病和拟定合适的治疗方案。在此基础上，通过不断地收集疗效反馈以及更新深度学习分类模型，持续提高医学知识图谱的循证推理能力。
附图说明
图1为本发明实施例提供的中医临床决策支持方法的流程图；
图2为本发明实施例提供的中医临床决策支持系统的模块结构图；
图3为本发明实施例提供的中医临床决策支持方法的医学知识图谱存储结构图；
图4为本发明实施例根据患者的主诉、现病史循证推理出临床决策支持方案的示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
本实施例提出的中医临床决策支持系统及方法，依赖权威可靠的医学证据构建的医学知识图谱，根据患者症状汇总信息准确地辩证分型和推荐处方，辅助医生快捷有效地进行疾病诊断和治疗。
图1是一种中医临床决策支持方法的流程图，所述方法包括：
S1、选择医学证据，抽取实体及其关系；
S11、选择医学证据：医学专家从权威文件、教科书、医学指南、名家著作、公开文献中选择权威可靠的医学证据；
S12、抽取医学实体及医学实体关系：抽取医学证据中的医学实体及医学实体关系，并对医学实体进行概念和术语标准化；
S2、训练深度学习分类模型学习实体间的权重，基于步骤S12所述的医学实体及医学实体关系构建数据集，基于预训练语言模型BERT和注意力机制构建深度学习分类模型，具体步骤为：
S21、通过预训练语言模型BERT获得每条医学证据中每个实体的隐藏层输出，用hi表示第i个实体的隐藏层输出，获得隐藏层输出hi的隐藏信息ui：
ui＝tanh(Wwhi+bw)
上式中，Ww为权重矩阵，bw为对应的偏置项；hi为第i个实体的隐藏层输出，ui为隐藏层输出的隐藏信息；
S22、获得医学证据中每个实体的权重αi：
Figure BDA0003051491810000051
上式中，αi为医学证据中每个实体的权重，ui为隐藏层输出的隐藏信息，uw为随机初始化的词语级上下文向量，n表示医学证据的实体数量；
S23、通过加权求和获得每条医学证据的向量表示，第i条医学证据的向量表示为：
Figure BDA0003051491810000052
上式中，vi为第i条医学证据的向量表示，n为医学证据的实体数量，αi为医学证据中每个实体的权重，hi为第i个实体的隐藏层输出；
S24、将每条医学证据的向量表示vi作为分类特征，基于SoftMax分类器训练深度学习分类模型，使用交叉熵分类损失函数来更新参数：
Figure BDA0003051491810000061
上式中，n表示病种的关系类别数量，yi表示第i个类别的真实概率分布，
Figure BDA0003051491810000062
表示第i个类别的预测概率分布；
S3、构建医学知识图谱：将医学实体、医学实体关系、医学实体间的权重分别作为医学知识图谱的节点、关系、关系属性，将医学知识图谱的节点、关系和关系属性存储至图数据库中；
S4、添加患者，录入患者的个人基本信息，所述个人基本信息包括：
必填项包括姓名、手机号、性别、生日，选填项包括邮箱、生辰、身高、体重、过敏史、身份证、社保卡、地区、地址、出生地、单位、职业等。
S5、开始门诊，根据患者描述录入症状汇总信息，所述症状汇总信息包括：
主诉、现病史、体格检查、疾病诊断、脉象、临床检查、实验室检查、影像检查、其他检查等，其中所述主诉和现病史为疾病或症状；
其中，所述临床检查是指通过医疗器械检测得到的临床医学数据，包括血压等；
其中，所述实验室检查是指通过在实验室进行物理的或化学的检查来确定送检的物质的内容、性质、浓度、数量等特性，包括血常规、血管造影等。
S6、医学知识图谱循证推理，推荐中医临床决策支持方案，所述中医临床决策支持方案包括病因病机、治法治则、证型、处方，其中处方包括中药及其用法用量、剂数、给药频次、代加工、规格、药量、煎服法、事项等。基于图结构并利用实体之间的关系权重进行循证推理，具体步骤为：
S61、将证候ei与所有关联的症状汇总信息的权重求和：
Figure BDA0003051491810000063
上式中，n表示症状汇总信息的数量，ei表示第i个证候，sj表示第j个症状信息，P(ei|sj)表示sj与ei之间的权重；
S62、对处方fk与所有关联证候的权重求和：
Figure BDA0003051491810000071
上式中，m为证候的数量，fk表示第k个处方，ei表示第i个证候，P(fk|ei)表示ei与fk之间的权重；
S65、将证候ei与所有关联的症状汇总信息的权重、处方fk与所有关联证候的权重相加，得到实体路径(s→e→f)的权重总和，对所有的权重总和排序，得到若干个中医临床决策支持方案；
S7、医生确定诊疗方案，门诊结束。
S8、收集疗效反馈，更新医学知识图谱，包括：
S81、收集疗效反馈：收集患者服用处方一段时间后的治疗效果的反馈信息，反馈信息包括症状汇总信息、治疗时间、治疗效果；
S82、更新医学知识图谱：根据疗效反馈更新医学证据，更新后的医学证据用于训练分类模型，进而更新医学知识图谱的权重，具体步骤为：
对疗效反馈进行归类，按症状汇总信息的治疗效果是否有效分为正向反馈和负向反馈，分别作为S2所述的分类模型的正负样本；
当某个已有病种的正负样本的数量超过设定阈值时，将该类正负样本数据添加到S2所述的数据集中；
根据病种是否已支持分为新增病种和已有病种，将新增病种的关系类别作为深度学习分类模型的新增分类标签；
当某个新增病种的正向反馈超过设定阈值时，将该病种数据及其新增分类标签添加到医学实体及医学实体关系数据集中；
根据正负样本数量占比来调整深度学习分类模型的样本权重参数sample_weight，以此缓解样本质量不同对权重学习的影响；根据样本病种的关系类别数量占比来调整深度学习分类模型的类型权重参数class_weight，以此缓解数据不平衡对权重学习的影响；
基于样本权重参数sample_weight和类型权重参数class_weight来更新交叉熵分类损失函数：
J(θ)＝-(sample_weight*class_weight)L(θ)
上式中L(θ)为交叉熵分类损失函数，
Figure BDA0003051491810000072
yi表示第i个类别的真实概率分布，
Figure BDA0003051491810000073
表示第i个类别的预测概率分布；其中n、m分别表示已有病种的关系类别数量和新增病种的关系类别数量。
在更新后的数据集上重新训练深度学习分类模型，学习医学证据中实体之间的权重，更新医学知识图谱的实体、关系及其权重；
更新后的医学知识图谱新增病种支持和优化已有病种的关系权重，提高医学知识图谱对中医临床决策支持的扩展性和有效性。
实施例2：
图2是一种中医临床决策支持系统的模块结构图，所述系统包括：
图谱构建和更新模块，用于深度学习分类模型学习权重、构建和更新医学知识图谱；
患者管理模块，用于查看管理患者的个人基本信息和门诊记录；
门诊管理模块，用于医生查看门诊信息和进行门诊；
疗效反馈模块，用于反馈患者服用医生所开处方一段时间后的效果。
图3是一种中医临床决策支持方法的医学知识图谱存储结构图，基于图结构的医学知识图谱易于存储、维护和查询节点和关系，基于图论遍历算法可简单高效地为医生推理检索出与患者所述症状汇总信息最相关的若干个中医临床决策支持方案。所述医学知识图谱结构包括：
节点，用于存储医学证据中的症状汇总信息、证型、处方等实体；
关系，用于存储医学证据中的症状汇总信息、证型、处方之间的关联关系和权重等关系及其权重。
图4是一种中医临床决策支持系统根据患者的主诉、现病史等循证推理出临床决策支持方案的示意图。如图所示，患者主诉为失眠和多梦，伴随症状有：晨起疲乏、心烦、抑郁、乏力、头晕等。系统循证推理出5种处方推荐方案，其中第一种方案的详情为：证型为肝血虚证，病因病机为肝血不足、阴虚内热、热扰心神，治法治则为养血安神、清热除烦，处方为酸枣仁汤，处方的出处为《伤寒杂病论》，在原方的基础上添加厚朴、茯苓、陈皮等中药，处方的中药包括：酸枣仁15g、甘草3g、茯苓6g、半夏5g、知母6g等。值得注意的是：本方法及系统为医生提供中医临床决策支持方案，不作为处方的最终依据，医生需根据患者实际情况采用或调整系统推荐方案，或采用自拟处方。

Claims (5)

1.一种中医临床决策支持系统，其特征在于，包括：图谱构建和更新模块、患者管理模块、门诊管理模块和疗效反馈模块；患者管理模块向门诊管理模块提供患者的门诊记录，门诊管理模块向疗效反馈模块提供门诊信息，疗效反馈模块向图谱构建和更新模块提供疗效反馈，图谱构建和更新模块向门诊管理模块提供其构建的医学知识图谱。
2.一种如权利要求1所述中医临床决策支持系统的工作方法，其特征在于，包括以下步骤：
S1、选择医学证据，抽取医学实体及医学实体关系；
S2、根据步骤S1抽取的医学实体及医学实体关系来构建数据集，基于预训练语言模型BERT和注意力机制构建深度学习分类模型，通过图谱构建和更新模块来训练深度学习分类模型中医学实体间的权重；
S21、通过预训练语言模型BERT获得每条医学证据中每个实体的隐藏层输出，用hi表示第i个实体的隐藏层输出，获得隐藏层输出hi的隐藏信息ui：
ui＝tanh(Wwhi+bw)
上式中，Ww为权重矩阵，bw为对应的偏置项；hi为第i个实体的隐藏层输出，ui为隐藏层输出的隐藏信息；
S22、获得医学证据中每个实体的权重αi：
Figure FDA0003051491800000011
上式中，αi为医学证据中每个实体的权重，ui为隐藏层输出的隐藏信息，uw为随机初始化的词语级上下文向量，n表示医学证据的实体数量；
S23、通过加权求和获得每条医学证据的向量表示，第i条医学证据的向量表示为：
Figure FDA0003051491800000012
上式中，vi为第i条医学证据的向量表示，n为医学证据的实体数量，αi为医学证据中每个实体的权重，hi为第i个实体的隐藏层输出；
S24、将每条医学证据的向量表示vi作为分类特征，基于SoftMax分类器训练深度学习分类模型，使用交叉熵分类损失函数来更新参数：
Figure FDA0003051491800000013
上式中，n表示病种的关系类别数量，yi表示第i个类别的真实概率分布，
Figure FDA0003051491800000014
表示第i个类别的预测概率分布；
S3、通过图谱构建和更新模块来构建医学知识图谱：将医学实体、医学实体关系、医学实体间的权重分别作为医学知识图谱的节点、关系、关系属性，将医学知识图谱的节点、关系和关系属性存储至图数据库中；
S4、通过患者管理模块添加患者，录入患者的个人基本信息；
S5、医生通过门诊管理模块，查看门诊信息并进行门诊，根据患者描述录入症状汇总信息；
S6、医学知识图谱循证推理，并给出推荐的中医临床决策；
S61、将证候ei与所有关联的症状汇总信息的权重求和：
Figure FDA0003051491800000021
上式中，n表示症状汇总信息的数量，ei表示第i个证候，sj表示第j个症状信息，P(ei|sj)表示sj与ei之间的权重；
S62、对处方fk与所有关联证候的权重求和：
Figure FDA0003051491800000022
上式中，m为证候的数量，fk表示第k个处方，ei表示第i个证候，P(fk|ei)表示ei与fk之间的权重；
S63、将证候ei与所有关联的症状汇总信息的权重、处方fk与所有关联证候的权重相加，得到实体路径(s→e→f)的权重总和，对所有的权重总和排序，得到若干个中医临床决策；
S7、医生确定诊疗决策，当前门诊结束；所述诊疗决策为医生根据患者实际情况采用或调整推荐的中医临床决策，或采用自拟处方；
S8、通过疗效反馈模块收集疗效反馈；更新知识图谱；收集患者服用处方一段时间后的治疗效果的反馈信息，反馈信息包括症状汇总信息、治疗时间和治疗效果；根据疗效反馈更新医学证据，在更新后的医学实体及医学实体关系数据集上重新训练深度学习分类模型，学习医学证据中医学实体间的权重，更新医学知识图谱的节点、医学知识图谱的节点关系、医学知识图谱的权重；
S81、根据病种是否已支持分为新增病种和已有病种，将新增病种的关系类别作为深度学习分类模型的新增分类标签；
S82、当某个新增病种的正向反馈超过设定阈值时，将该病种数据及其新增分类标签添加到医学实体及医学实体关系数据集中；
S83、根据正负样本数量占比来调整深度学习分类模型的样本权重参数sample_weight；根据样本病种的关系类别数量占比来调整深度学习分类模型的类型权重参数class_weight；
S84、基于样本权重参数sample_weight和类型权重参数class_weight来更新交叉熵分类损失函数：
J(θ)＝-(sample_weight*class_weight)L(θ)
上式中L(θ)为交叉熵分类损失函数，
Figure FDA0003051491800000031
yi表示第i个类别的真实概率分布，
Figure FDA0003051491800000032
表示第i个类别的预测概率分布；其中n、m分别表示已有病种的关系类别数量和新增病种的关系类别数量。
3.根据权利要求2所述中医临床决策支持系统的工作方法，其特征在于，步骤S1具体包括如下步骤：
S11、由医学专家从相关文件中选择医学证据；
S12、抽取医学实体及医学实体关系，并对医学实体进行概念和术语标准化。
4.根据权利要求2所述中医临床决策支持系统的工作方法，其特征在于：步骤S4中患者的个人基本信息包括必填项和选填项。
5.根据权利要求2所述中医临床决策支持系统的工作方法，其特征在于：步骤S6中中医临床决策包括：病因病机、治法治则、证型、处方；其中处方包括中药及其用法用量、剂数、给药频次、代加工、规格、药量、煎服法和事项。
CN202110488744.2A 2021-05-06 2021-05-06 一种中医临床决策支持系统及方法 Active CN113077873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110488744.2A CN113077873B (zh) 2021-05-06 2021-05-06 一种中医临床决策支持系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110488744.2A CN113077873B (zh) 2021-05-06 2021-05-06 一种中医临床决策支持系统及方法

Publications (2)

Publication Number Publication Date
CN113077873A true CN113077873A (zh) 2021-07-06
CN113077873B CN113077873B (zh) 2022-11-22

Family

ID=76616620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110488744.2A Active CN113077873B (zh) 2021-05-06 2021-05-06 一种中医临床决策支持系统及方法

Country Status (1)

Country Link
CN (1) CN113077873B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299375A (zh) * 2021-07-27 2021-08-24 北京好欣晴移动医疗科技有限公司 数字文件信息实体标注和识别方法、装置和系统
CN114464312A (zh) * 2022-01-04 2022-05-10 北京欧应信息技术有限公司 用于辅助疾病推理的系统及存储介质
CN114528419A (zh) * 2022-04-25 2022-05-24 南京大经中医药信息技术有限公司 一种中医智能病案推荐方法及推荐系统
CN115148330A (zh) * 2022-05-24 2022-10-04 中国医学科学院北京协和医院 Pop治疗方案形成方法及系统
CN115424696A (zh) * 2022-11-04 2022-12-02 之江实验室 一种基于迁移学习的中医罕见病中药处方生成方法和系统
CN116467471A (zh) * 2023-06-20 2023-07-21 山东志诚普惠健康科技有限公司 一种基于医学知识图谱的智能化处方填写方法和装置
CN117708338A (zh) * 2024-02-05 2024-03-15 成都中医药大学 一种中文电子病历实体识别与四诊分类的抽取方法及模型

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110377755A (zh) * 2019-07-03 2019-10-25 江苏省人民医院（南京医科大学第一附属医院） 基于药品说明书的合理用药知识图谱构建方法
CN110598116A (zh) * 2019-09-19 2019-12-20 上海腾程医学科技信息有限公司 检验项目推荐方法及装置、终端设备、存储介质
CN111292821A (zh) * 2020-01-21 2020-06-16 上海联影智能医疗科技有限公司 一种医学诊疗系统
CN111312356A (zh) * 2020-01-17 2020-06-19 四川大学 一种基于bert和融入功效信息的中药处方生成方法
CN111340637A (zh) * 2020-03-18 2020-06-26 浙江网新恩普软件有限公司 一种基于机器学习反馈规则增强的医疗保险智能审核系统
CN111370127A (zh) * 2020-01-14 2020-07-03 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
CN111382275A (zh) * 2018-12-28 2020-07-07 医渡云（北京）技术有限公司 医疗知识图谱的构建方法、装置、介质及电子设备
CN111611398A (zh) * 2020-04-02 2020-09-01 中南大学 一种基于知识图谱的临床表现联想方法、装置、设备及介质
CN112015916A (zh) * 2020-09-01 2020-12-01 中国银行股份有限公司 知识图谱的补全方法、装置、服务器和计算机存储介质
CN112489791A (zh) * 2020-12-09 2021-03-12 镇江市第四人民医院（镇江市妇幼保健院） 一种基于临床路径的辅助决策系统及方法
CN112487202A (zh) * 2020-11-27 2021-03-12 厦门理工学院 融合知识图谱与bert的中文医学命名实体识别方法、装置
CN112541086A (zh) * 2020-12-14 2021-03-23 江苏大学 一种针对脑卒中的知识图谱构建方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382275A (zh) * 2018-12-28 2020-07-07 医渡云（北京）技术有限公司 医疗知识图谱的构建方法、装置、介质及电子设备
CN110377755A (zh) * 2019-07-03 2019-10-25 江苏省人民医院（南京医科大学第一附属医院） 基于药品说明书的合理用药知识图谱构建方法
CN110598116A (zh) * 2019-09-19 2019-12-20 上海腾程医学科技信息有限公司 检验项目推荐方法及装置、终端设备、存储介质
CN111370127A (zh) * 2020-01-14 2020-07-03 之江实验室 一种基于知识图谱的跨科室慢性肾病早期诊断决策支持系统
CN111312356A (zh) * 2020-01-17 2020-06-19 四川大学 一种基于bert和融入功效信息的中药处方生成方法
CN111292821A (zh) * 2020-01-21 2020-06-16 上海联影智能医疗科技有限公司 一种医学诊疗系统
CN111340637A (zh) * 2020-03-18 2020-06-26 浙江网新恩普软件有限公司 一种基于机器学习反馈规则增强的医疗保险智能审核系统
CN111611398A (zh) * 2020-04-02 2020-09-01 中南大学 一种基于知识图谱的临床表现联想方法、装置、设备及介质
CN112015916A (zh) * 2020-09-01 2020-12-01 中国银行股份有限公司 知识图谱的补全方法、装置、服务器和计算机存储介质
CN112487202A (zh) * 2020-11-27 2021-03-12 厦门理工学院 融合知识图谱与bert的中文医学命名实体识别方法、装置
CN112489791A (zh) * 2020-12-09 2021-03-12 镇江市第四人民医院（镇江市妇幼保健院） 一种基于临床路径的辅助决策系统及方法
CN112541086A (zh) * 2020-12-14 2021-03-23 江苏大学 一种针对脑卒中的知识图谱构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘龙航 等: "融合知识的中文医疗实体识别模型", 《智能计算机与应用》 *
孙明俊 等: "基于人工智能的类风湿性关节炎中医辅助诊疗系统", 《模式识别与人工智能》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299375A (zh) * 2021-07-27 2021-08-24 北京好欣晴移动医疗科技有限公司 数字文件信息实体标注和识别方法、装置和系统
CN114093469A (zh) * 2021-07-27 2022-02-25 北京好欣晴移动医疗科技有限公司 互联网医疗方案推荐方法、装置和系统
CN114464312A (zh) * 2022-01-04 2022-05-10 北京欧应信息技术有限公司 用于辅助疾病推理的系统及存储介质
CN114528419A (zh) * 2022-04-25 2022-05-24 南京大经中医药信息技术有限公司 一种中医智能病案推荐方法及推荐系统
CN115148330A (zh) * 2022-05-24 2022-10-04 中国医学科学院北京协和医院 Pop治疗方案形成方法及系统
CN115148330B (zh) * 2022-05-24 2023-07-25 中国医学科学院北京协和医院 Pop治疗方案形成方法及系统
CN115424696A (zh) * 2022-11-04 2022-12-02 之江实验室 一种基于迁移学习的中医罕见病中药处方生成方法和系统
CN116467471A (zh) * 2023-06-20 2023-07-21 山东志诚普惠健康科技有限公司 一种基于医学知识图谱的智能化处方填写方法和装置
CN117708338A (zh) * 2024-02-05 2024-03-15 成都中医药大学 一种中文电子病历实体识别与四诊分类的抽取方法及模型
CN117708338B (zh) * 2024-02-05 2024-04-26 成都中医药大学 一种中文电子病历实体识别与四诊分类的抽取方法及模型

Also Published As

Publication number Publication date
CN113077873B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN113077873B (zh) 一种中医临床决策支持系统及方法
CN111986770B (zh) 药方用药审核方法、装置、设备及存储介质
Johnson et al. Real-time mortality prediction in the Intensive Care Unit
Hosseini et al. Heteromed: Heterogeneous information network for medical diagnosis
Kadhim et al. Design and implementation of fuzzy expert system for back pain diagnosis
CN112863630A (zh) 基于数据和知识的个性化精准医疗问答系统
JP2022508333A (ja) マルチセンターモードにおけるランダムフォレストアルゴリズムに基づく特徴重要度ソートシステム
CN106778042A (zh) 心脑血管患者相似性分析方法及系统
CN106934235A (zh) 一种基于迁移学习的疾病领域间病人相似性度量迁移系统
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
CN105825064A (zh) 日常性中医疗法智能咨询系统
CN116631562B (zh) 一种生成电子病历出院记录的方法、装置及电子设备
CN109920535A (zh) 一种移动中医辨证分析方法及装置
CN110335684A (zh) 基于主题模型技术的中医智能辨证辅助决策方法
CN108231146A (zh) 一种基于深度学习的医疗记录模型构建方法、系统及装置
TW201040756A (en) Chinese medicine intelligent formulary system
CN109360658A (zh) 一种基于词向量模型的疾病模式挖掘方法及装置
CN111816245B (zh) 结合mNGS和临床知识库的病原微生物检测方法及系统
Shukla et al. Cloud computing with artificial intelligence techniques for effective disease detection
CN118335292A (zh) 一种中医专病专方交互辅助系统
Saleem Durai et al. An intelligent knowledge mining model for kidney cancer using rough set theory
Lin et al. Medical Concept Embedding with Variable Temporal Scopes for Patient Similarity.
Kumar et al. Fuzzy logic applications in healthcare: A review-based study
Oliver et al. Extraction of SNOMED concepts from medical record texts.
Aswini Clinical medical knowledge extraction using crowdsourcing techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant